Suche
Machine-Learning-Anwendungen

Maschinelles Lernen in der Praxis: Kunst, Gerichtsurteile und Krebszellen

Melanie Feldmann
Deep learning methods help discover bone metastases, which can be overlooked in clinical routine. CT dataset courtesy of Radboudumc, Nijmegen, NL.

Bildquelle: CT-Datenset: Radboudumc,
Foto: Fraunhofer MEVIS

Maschinelles Lernen kann künstlerisch wertvoll sein oder vorhersagen, welches Urteil ein Gericht fällen wird. Aber vor allem die Medizin nutzt die neuen Methoden, um Ärzte dort zu unterstützen, wo sie an ihre Grenzen stoßen.

Kunst kommt von Können

Den Stil eines Künstlers in einem eigenen Werk nachzuahmen nennt man Pastiche.  Für Menschen ist dies kein einfacher Prozess, da man den Stil des Originals sehr gut kennen muss, damit die Nachahmung von anderen als ein Bild des Originalkünstlers identifiziert wird. Systeme, die diesen Stiltransfer für Handyfotos anwenden gibt es noch und nöcher. Dahinter steckt aber einiges an Rechenarbeit. Außerdem lassen sich verschiedene Künstler oder Stile nicht miteinander kombinieren. Die Entwickler von Google Brain nahmen dies zum Anlass ein Deep-Learning-System zu entwickeln, dass mit 13 verschiedenen Stilen gefüttert wurde. Der Nutzer kann die verschiedenen Stilarten miteinander flexibel kombinieren – nicht nur für Fotos, sondern auch für Bewegtbilder.

 Krebszellen unterscheiden

Forscher der Brown University haben eine neue Bildanalysetechnik entwickelt, die zwei wichtige Krebszellenarten identifizieren kann, die im Zusammenhang mit Tumorwachstum stehen. Harmlose Epithelzellen können zu aggressiveren Zellen werden. Tumore mit einer höheren Anzahl dieser aggressiveren Epithelzellen sind bösartiger und eher resistent gegenüber Krebsmedikamenten. Um die Behandlung zielgenauer auf diese Zellen einzustellen, ist es wichtig diese zu erkennen und zu quantifizieren. Generell lassen sich die beiden Zellen recht einfach an ihrer Form unterscheiden. Es kann jedoch zu subtilen Unterschieden kommen, die für Menschen schwerer zu erkennen sind. Hier kommt Maschinelles Lernen ins Spiel. Der Algorithmus wurde mit Epithelzellen trainiert, die in einer Petrischale gezüchtet wurden. Mit einer Genauigkeit von 92 Prozent konnte der Algorithmus daraufhin die beiden Zelltypen unterscheiden.

Lesen Sie auch: Maschinelles Lernen: Vom Forschungsgegenstand zur Commodity

Krebszellen beobachten

Deep learning methods help discover bone metastases, which can be overlooked in clinical routine. CT dataset courtesy of Radboudumc, Nijmegen, NL.

Deep-Learning-Methoden helfen dabei, Knochenmetastasen zu entdecken, die oft übersehen werden. (CT-Datenset: Radboudumc, Foto: Fraunhofer MEVIS)

Auch Fraunhofer-Forscher nutzen Bildanalyse und Maschinelles Lernen, um Krebszellen besser im Blick zu haben. Sie nutzen die Methoden dazu, Krebszellen über den Zeitraum einer Behandlung zu beobachten und festzustellen, ob diese weiter gewachsen sind oder nicht. Denn die von Ärzten genutzten CT- oder MRT-Aufnahmen sind dabei bisher oft nicht ausreichend. Mit Machine Learning lernt das System vor allem, besser zwischen Organen und anderem Gewebe zu unterscheiden. Auch Beobachtungen über die Zeit hinweg, indem man verschiedene Bilder übereinander legt, helfen den Ärzten negative Entwicklungen früh zu entdecken.

Nicht schuldig

Die Entscheidungen des Europäischen Gerichtshof für Menschenrechte hat ein Machine-Learning-Algorithmus mit einer Genauigkeit von 79 Prozent vorhergesagt. Entwickelt haben diesen Forscher der Universitäten UCL, Sheffield und der University of Pennsylvania. Dabei haben die Forscher festgestellt, dass die Entscheidung der Richter oft mehr mit nicht-juristischen Fakten zusammenhängen als mit juristischen Argumenten. Im Rechts-Jargon spricht man davon, dass sie eher Realisten als Formalisten sind. Dafür fütterten sie den Algorithmus mit 584 Fällen in englischer Sprache, um Muster zu entdecken. Die AI soll weder Anwälte noch Richter ersetzen, aber kann ein hilfreiches Tool sein, um schnell Fälle zu identifizieren, die zu einem bestimmten Ergebnis geführt haben.

Geschrieben von
Melanie Feldmann
Melanie Feldmann
Melanie Feldmann ist seit 2015 Redakteurin beim Java Magazin und JAXenter. Sie hat Technikjournalismus an der Hochschule Bonn-Rhein-Sieg studiert. Ihre Themenschwerpunkte sind IoT und Industrie 4.0.
Kommentare

Hinterlasse eine Antwort

Deine E-Mail-Adresse wird nicht veröffentlicht.